Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lära Utmaning: Skapa en Komplett ML-Pipeline | Pipelines
ML-introduktion Med Scikit-learn

bookUtmaning: Skapa en Komplett ML-Pipeline

Skapa nu en pipeline som inkluderar en slutlig estimator. Detta ger en tränad prediktionspipeline som kan generera förutsägelser för nya instanser med hjälp av metoden .predict().

Eftersom en prediktor kräver målvariabeln y, koda den separat från pipelinen som byggs för X. Använd LabelEncoder för att koda målet.

Note
Notera

Eftersom förutsägelserna är kodade som 0, 1 eller 2, kan metoden .inverse_transform() från LabelEncoder användas för att konvertera dem tillbaka till de ursprungliga etiketterna: 'Adelie', 'Chinstrap' eller 'Gentoo'.

Uppgift

Swipe to start coding

Använd penguins dataset för att bygga en pipeline med KNeighborsClassifier som slutlig estimator. Träna pipelinen på datasetet och generera prediktioner för X.

  1. Koda variabeln y.
  2. Skapa en pipeline som innehåller ct, SimpleImputer, StandardScaler och KNeighborsClassifier.
  3. Använd strategin 'most_frequent' med SimpleInputer.
  4. Träna objektet pipe med hjälp av funktionerna X och målet y.

Lösning

Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 3. Kapitel 6
single

single

Fråga AI

expand

Fråga AI

ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Suggested prompts:

Can you show me how to use LabelEncoder for the target variable?

What is a final estimator in a pipeline?

How do I use the trained pipeline to make predictions?

close

Awesome!

Completion rate improved to 3.13

bookUtmaning: Skapa en Komplett ML-Pipeline

Svep för att visa menyn

Skapa nu en pipeline som inkluderar en slutlig estimator. Detta ger en tränad prediktionspipeline som kan generera förutsägelser för nya instanser med hjälp av metoden .predict().

Eftersom en prediktor kräver målvariabeln y, koda den separat från pipelinen som byggs för X. Använd LabelEncoder för att koda målet.

Note
Notera

Eftersom förutsägelserna är kodade som 0, 1 eller 2, kan metoden .inverse_transform() från LabelEncoder användas för att konvertera dem tillbaka till de ursprungliga etiketterna: 'Adelie', 'Chinstrap' eller 'Gentoo'.

Uppgift

Swipe to start coding

Använd penguins dataset för att bygga en pipeline med KNeighborsClassifier som slutlig estimator. Träna pipelinen på datasetet och generera prediktioner för X.

  1. Koda variabeln y.
  2. Skapa en pipeline som innehåller ct, SimpleImputer, StandardScaler och KNeighborsClassifier.
  3. Använd strategin 'most_frequent' med SimpleInputer.
  4. Träna objektet pipe med hjälp av funktionerna X och målet y.

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

close

Awesome!

Completion rate improved to 3.13
Avsnitt 3. Kapitel 6
single

single

some-alt